Turnitin 能检测 Claude、Gemini 和 DeepSeek 吗？

例如，一名学生在起草初稿时选择 DeepSeek 而不是 ChatGPT，尤其是因为某个论坛帖子声称 Turnitin 只能识别 OpenAI 的模型。Turnitin 能像检测 ChatGPT 那样检测 DeepSeek 吗？但问题在于，分类器一开始就不是为识别某个品牌而设计的。Turnitin 对其技术的说明本身就表示，分类器从未被构建为识别某个品牌，这使得问题比大多数学生预期的更为不同。

AI 写作指示器是基于机器生成散文中的模式、词语可预测性和句子节奏训练的，这与该网站自己对 AI 检测器如何工作 的一般说明所覆盖的统计基础相同。以这种方式训练的模型，反应的是一段文字读起来如何，而不是由哪家公司的服务器生成。这一区别，基本上就是切换聊天机器人是否能够绕过检测这一问题的答案。

TextPulse 的 关于 Turnitin 是否能检测 ChatGPT 的指南 详细说明了那份报告的机制, 包括百分比衡量什么、谁能看到它，以及 Turnitin 自己的测试认为它有多准确。本文聚焦于这一更大问题中反复出现的一个问题, 即选择不同的聊天机器人是否会改变任何结果。

Turnitin 能检测 DeepSeek 吗？模型无关的要点

Turnitin 的材料 将检测框定为基于一段文字读起来如何，而不是由哪家公司生成。这种框定正是提出 DeepSeek 是否会在同一系统中被区别对待于 ChatGPT、Claude 或 Gemini 的全部依据。

为什么指令微调模型会收敛到相同的统计形态

自 2023 年以来发布的每一个主要聊天机器人，其构建方式都大体相同, 先在大量文本上训练以预测下一个词，然后再进行微调，把这个原始预测引擎转变为一个流畅、合作的助手，能够直接回应提示。第二阶段正是这种收敛发生的地方。

结果是，GPT、Claude、Gemini、DeepSeek 以及大多数其他经过指令微调的助手，往往会生成处于相似统计区间的散文, 即词语选择持续可预测，句子节奏也较为均匀。一个经过训练、用于识别某个模型输出中这种低困惑度、低突发性特征的分类器，从定义上说，实际上是在响应其他几个模型也会生成的内容，无论它们是否曾出现在其最初的训练数据中。

Turnitin 实际上对模型覆盖范围的说明

Turnitin 明确表示，这是一项有意的设计选择，而不是测试中的偶然结果。其最初的 AI 写作检测模型是以 GPT-3、GPT-3.5 及其变体为训练对象，Turnitin 自己的文档也明确写道: 'Our technology can also detect other AI writing tools that are based on these models, such as ChatGPT.' 这是一家供应商关于其分类器如何泛化的说法，而不是独立测试得出的结果，值得就这样来理解。

DeepSeek 并不在该列表中。Turnitin 已公布的、此后新增的模型列表相当广泛。就本文撰写时而言，其中包括 GPT-4 和 GPT-5 系列的模型，Gemini 的 Pro 和 Flash 线路, 包括其最新的预览版本, Claude Sonnet-4.5，以及 LLaMA。

模型	Turnitin 自身已发布的覆盖范围说明
ChatGPT (GPT-3.5, GPT-4, GPT-4o, GPT-5 series)	明确点名，原始训练集及其直接后继模型
Claude (Sonnet 4.5)	在 Turnitin 当前已发布列表中明确点名
Gemini (Pro, 2.5 Pro, 2.5 Flash, 3-series previews)	在 Turnitin 当前已发布列表中明确点名
LLaMA	在 Turnitin 当前已发布列表中明确点名
DeepSeek	截至 2026 年 8 月，未在 Turnitin 已发布列表中点名。Turnitin 并未说明 DeepSeek 被排除，只是说明它未以名称出现
基于已列出模型构建的任何其他聊天机器人	Turnitin 表示，其技术也能检测基于其明确点名的模型构建的工具

Turnitin 未发布的内容

Turnitin 自身材料中缺少的内容，与其中已有的内容同样重要。Turnitin 并未为其点名的每个模型分别发布单独的准确率，也未发布 GPT-4、Gemini、Claude 之间按模型区分的检测率。若干网站报告了 DeepSeek 检测的具体百分比，但该数字背后没有可见的来源或方法。

这一缺口值得如实看待，而不是自行补全。Turnitin 之外没有任何人发布过一项独立且方法透明的测试，针对其 AI 写作指标按来源模型拆分，DeepSeek 也包括在内，因此，凡是附着于某一模型检测率的具体数字，在原始来源真正说明之前，都应视为未经核实。

构建一个公平的比较，意味着要从每个模型收集大量、最新的写作样本，确认其中没有任何内容泄露到 Turnitin 自己的训练数据中，并在相同条件下、同一时间将全部样本通过同一个检测器。供应商每隔几个月就会更新其模型，因此，即使是一年前发表的比较，也可能已经描述的是那些在测试时形式上存在、如今却已不复存在的聊天机器人。这是一个真实的方法论门槛，不是借口，也正因为如此，本文报告的是 Turnitin 对其自身覆盖范围的说法，而不是一组实际上无人测量过的检测百分比。

切换聊天机器人真的有帮助吗？

从 Turnitin 自己公布的证据来看，并没有帮助。一个旨在对统计模式而非品牌名称作出反应的分类器，没有明显理由把 DeepSeek 流畅、可预测的输出与 ChatGPT 的输出区别对待，而 Turnitin 自己关于检测“基于这些模型”的工具的表述也指向同样的结论。基于某个未具名聊天机器人作出选择，并假定不在名单中就意味着免检，这不过是把猜测包装成了策略。

就课程作业的实际操作而言，将 AI 论文人性化以用于大学已另行说明。申请者面临的是同一担忧的另一种版本，而大学招生是否检查 AI也有单独页面。

更可靠的做法，不在于哪个聊天机器人生成了初稿，而在于之后它被如何处理。一个免费 burstiness checker会显示分类器所反应的那种相同的句子节奏平板化，无论聊天窗口顶部显示的是哪个模型的名称。TextPulse 的面向学生的 AI humanizer也是在同一统计层面上工作，它重建句子节奏和结构，而不是押注于某个供应商公开名单中的空缺。最初由哪个聊天机器人写出初稿，远不如你提交的版本是否真的读起来像你写的那样重要。